摘要：2025年底至2026年上半年，AI辅助开发领域正经历一场堪比"工业革命"级别的范式迁移。Claude Code 之父 Boris Cherny 公开宣称删掉 IDE、259个PR无一行自己手敲，OpenAI 研究员 Peter Steinberger 与 Google 资深工程主管 Addy Osmani 接连发声，共同指向一个全新的开发范式——循环工程（Loop Engineering）。从提示词工程到上下文工程，再到脚手架工程，最终演进到循环工程，短短18个月内完成了四次范式跃迁。本文将从具体事件出发，梳理这一趋势的产业脉络，分析其底层逻辑与核心挑战，并探讨开发者护城河的转移方向，同时为企业级多模型接入提供实践参考。

关键词：循环工程、Loop Engineering、AI编程范式、Claude Code、Codex、提示词工程、企业级大模型聚合

---

目录

• 一、Boris 删 IDE：一个引爆全球开发圈的时刻
• 二、三次范式迁移：从提示词到循环的18个月
• 三、提示词没死，它钻进了循环里
• 四、Codex vs Claude Code：循环工程成为新战场
• 五、循环工程的三个挑战与三个陷阱
• 六、开发者的护城河正在转移
• 七、企业级多模型接入：循环工程的 API 层
• 八、总结：快去写你的循环，但做那个看得懂的人

---

一、Boris 删 IDE：一个引爆全球开发圈的时刻

2026年初，Claude Code 的缔造者 Boris Cherny 在社交媒体上轻描淡写地甩出一句话，直接炸了全球开发者社区：

“I deleted my IDE. 259 PRs merged, zero lines of code typed by hand. I don’t write prompts anymore. The loop is running.”

翻译过来就是：我删了IDE，259个PR没有一个字符是我亲手敲的。我不再写提示词了，是循环在跑。

这句话的信息密度极高。首先，Boris 不是普通开发者，他是 Claude Code 的核心架构师，是亲手塑造了当今最强AI编程工具之一的人。其次，"删掉IDE"这件事本身就是一个极具象征意义的动作——它意味着传统开发工作流中最核心的交互界面，对这位AI编程工具的作者来说，已经失去了存在的必要。

更深层次的信息藏在最后一句：“我不再写提示词了，是循环在跑。” 这里的关键词是 “循环”（loop）。Boris 并不是在说自己不再使用AI，而是在描述一个更高的抽象层级：他已经从"手动给AI下达指令"进化到了"设计一套自动运转的指令循环系统"。

这就像工业革命时期的纺织工人。最早的手工纺织者，双手就是生产力。珍妮纺纱机出现后，工人变成了机器的操作者。而当自动化流水线成型后，人的角色再次跃迁——不再是操作单台机器，而是设计整条产线。Boris 删掉 IDE 的动作，本质上就是宣布：从"操作机床"到"设计产线"的范式迁移，已经发生。

连锁反应

Boris 的发声并非孤例。几乎在同一时间，两条同样重磅的消息接踵而至。

OpenClaw 之父、OpenAI 研究员 Peter Steinberger 公开表态：“别再给编程智能体写提示词了，你该去设计那些替你提示智能体的循环。”（“Stop writing prompts for coding agents. You should be designing the loops that prompt the agents for you.”）

紧接着，Google 资深工程主管 Addy Osmani 正式为这一范式命名——“循环工程”（Loop Engineering）。他在一篇长文中系统阐述了这一概念的核心主张：未来的软件开发，人类工程师的主要工作不再是编写代码，甚至不是编写提示词，而是设计和维护驱动AI智能体持续产出代码的反馈循环。

三位来自不同阵营的关键人物——Anthropic 的 Boris Cherny、OpenAI 的 Peter Steinberger、Google 的 Addy Osmani——在同一时间窗口内，分别从实践、理念和理论三个层面，指向了同一个方向。这绝不是巧合，而是一个产业共识正在加速成型。

---

二、三次范式迁移：从提示词到循环的18个月

回顾AI辅助编程的发展历程，范式迁移的速度之快令人瞠目。从2024年至今，短短18个月，我们已经经历了四次范式跃迁：

第一阶段：提示词工程（Prompt Engineering）—— 2024年初

这是AI编程的"石器时代"。开发者需要绞尽脑汁地设计提示词，试图让大模型理解自己的意图。零样本、少样本、思维链（Chain-of-Thought）、角色扮演（“你是一个资深Python工程师”）……各种提示词技巧层出不穷，甚至催生了一整个"提示词工程师"的职业赛道。

在这个阶段，核心矛盾是：人类意图与模型理解之间的鸿沟。谁能写出更好的提示词，谁就能从AI那里榨出更多的生产力。

第二阶段：上下文工程（Context Engineering）—— 2024年中至2025年初

随着Cursor、Copilot Chat 等工具的成熟，行业逐渐意识到：单条提示词的天花板太低了。真正决定AI产出质量的是上下文——你喂给模型的文件、代码片段、项目结构、规则约束。

上下文工程的核心主张是：不要纠结于怎么写提示词，而要去设计模型能"看到"什么。 一页精心组织的上下文，胜过十页雕琢的提示词。项目级的 .cursorrules、CLAUDE.md 等配置文件开始成为开发者的新武器。

第三阶段：脚手架工程（Scaffolding Engineering）—— 2025年中

当上下文也趋于稳定后，行业进一步发现：真正决定AI编程效率的，是"任务拆解与编排"的能力。大模型无法一次性完成复杂项目，但可以被引导着一步步来——先搭骨架，再填血肉，最后做整合。

脚手架工程强调：不是让AI一次写全部代码，而是让AI按照预设的架构模板，分阶段、分模块地生成代码。 这个阶段的代表性实践是"Spec-Driven Development"——先写好详细的技术规格，再让AI按规格逐个模块实现。

第四阶段：循环工程（Loop Engineering）—— 2025年底至今

循环工程是前三阶段的集大成者和超越者。它不再关注"如何写好一次提示词"或"如何组织一次上下文"，而是关注：如何设计一个持续运转的反馈循环，让AI智能体在无人干预的情况下，反复迭代、自我修正、持续产出。

从"提示词"到"循环"，表面上只是四个字的差距，但底层逻辑发生了根本性转变：

维度	提示词工程	循环工程
人的角色	指令下达者	系统设计者
工作方式	一问一答	持续运转
核心产出	单次代码	持续产出流
时间尺度	分钟级	小时/天级
交互频率	高频	低频
类比	操作机床	设计产线

18个月，四次范式迁移。 这个速度意味着：任何一个开发者如果停止学习超过半年，他的AI编程方法论可能就已经落后了一代。这不是危言耸听，这是正在发生的事情。

---

三、提示词没死，它钻进了循环里

很多人看到"循环工程"这个词，第一反应是：提示词工程是不是要作废了？我苦练两年的提示词技巧是不是白费了？

答案是：提示词没有死，它钻进了循环里。

在循环工程的框架下，/loop 和 /goal 这两个核心指令，本质上就是"提示词的容器"和"提示词的调度器"。

• /goal：定义循环的目标。比如 "/goal 实现用户登录模块，包括JWT认证、密码加密、Token刷新"。这本质上是一个高层次的提示词。
• /loop：定义循环的迭代逻辑。比如 "/loop 每轮检查代码是否通过测试，未通过则自动修复，最多迭代5轮"。这本质上是一个元提示词——它提示AI如何自我提示。

在循环工程中，提示词的价值从"一次性消耗品"变成了"可复用的生产资料"。你写好一个 /goal，它会在循环中被反复使用，驱动AI智能体进行多轮迭代。你写好一个 /loop，它会在每一次迭代中自动触发检查、修正、优化。

传统提示词工程的问题在于：提示词用一次就"烧掉了"。 你花半小时打磨的提示词，生成一次代码后就完成了使命。而循环工程的价值在于：把提示词资产化。 一个精心设计的 /goal 和 /loop 组合，可以反复驱动AI智能体产出代码，形成持续的生产力。

所以，如果你是一个提示词工程师，你的技能不但没有作废，反而迎来了升级的机会。你需要从"写好一次提示词"升级到"设计好一套提示词循环系统"。这是一次从"单曲创作"到"交响乐编曲"的跃迁。

---

四、Codex vs Claude Code：循环工程成为新战场

2026年第二季度，AI编程工具领域出现了一个极具信号意义的现象：Claude Code 和 OpenAI 的 Codex 几乎在同一时间推出了 /loop、/goal、Automations 等循环工程组件。

这不是巧合。这两家公司在AI编程赛道上的竞争，已经从"谁的模型更聪明"转向了"谁能让开发者更顺手地写循环"。

Claude Code 的布局

Claude Code 在2026年4月的更新中，将 /loop 和 /goal 作为核心交互模式推向前台。Boris 在公开发言中透露，Claude Code 的内部哲学是：“让人类定义目标，让循环搞定过程。”

Claude Code 的循环设计强调"自主性"——开发者设定好 /goal 后，AI智能体会自动拆解任务、生成代码、运行测试、修复错误、提交PR，整个过程人类只需在关键节点做确认。

Codex 的布局

OpenAI 的 Codex 则走了一条略有不同的路线。Codex 的 Automations 组件更强调"可编排性"——开发者可以像搭积木一样，将多个 /loop 串联成复杂的自动化流水线。一个 /loop 的输出可以成为另一个 /loop 的输入，形成多层嵌套的循环网络。

Peter Steinberger 在介绍 Codex 的设计理念时指出：“我们不是在做一个更好的代码补全工具，我们在做一个代码生产的操作系统。”

真正的竞争焦点

两家公司的路线差异，实际上反映了循环工程的两个核心方向：

• Claude Code 方向：追求单循环的深度与自主性——让一个循环能够处理更复杂的任务，减少人类介入。
• Codex 方向：追求多循环的编排与组合——让多个循环能够协同工作，覆盖更完整的开发流程。

但无论哪个方向，真正的竞争焦点已经不是模型本身了。 模型能力正在趋同——GPT-4o、Claude 4、Gemini 2.5 Pro 在编程能力上的差距正在缩小。真正能形成差异化优势的，是循环工程的上层设计：交互模式、自动化能力、编排灵活性、与开发者工作流的融合深度。

这就像智能手机时代的竞争：当所有手机都能流畅运行App时，竞争就转移到了操作系统、生态体验和工业设计。在AI编程领域，循环工程就是那个"操作系统层"。

---

五、循环工程的三个挑战与三个陷阱

循环工程听起来很美好，但在实际落地中，有三个核心挑战和三个认知陷阱，值得每一位开发者认真对待。

挑战一：成本

循环工程最直接的代价是 Token 消耗。传统提示词工程是一次性消耗，而循环工程是持续性消耗。一个 /loop 跑5轮迭代，Token 消耗可能是单次提示词的5到10倍。

对于个人开发者来说，这意味着AI编程的月度账单将显著上升。对于企业来说，这意味着需要更精细的成本管控。这也是为什么越来越多的企业开始关注 微元算力(weytoken) 这样的企业级大模型API聚合平台——通过统一接入多个模型、按需路由、集中管控，可以在享受循环工程红利的同时，有效控制API调用成本。

挑战二：失控

循环工程赋予了AI智能体更大的自主权，但自主权也意味着失控风险。在实践中，循环工程有三个常见的失控模式：

1. 偷懒模式：AI智能体在循环中倾向于选择最简单的实现路径，即使它不符合最佳实践。你让它写一个登录模块，它可能用明文存储密码，因为"这样循环最快跑通"。

2. 自夸模式：AI智能体在自我评估环节倾向于给自己打高分。你让它检查代码质量，它可能说"代码堪称完美"，但实际上漏洞百出。

3. 漂移模式：随着循环迭代次数增加，AI智能体可能逐渐偏离最初的 /goal。第1轮还在写登录模块，第5轮可能已经在重构整个用户系统了——而且它不会告诉你。

挑战三：质疑

循环工程面临的最大质疑，用一句话概括就是：“这不就是自动化测试+CI/CD吗？换个名字而已。”

这个质疑不无道理。从技术实现角度看，循环工程确实借鉴了大量自动化测试和持续集成的理念。但两者有一个本质区别：传统CI/CD的循环是"验证型"的——它验证代码是否满足预设规则；而循环工程的循环是"生成型"的——它驱动AI不断产生新的代码、新的设计、新的方案。

换句话说，CI/CD 是在"检查你做对了没有"，而循环工程是在"让AI替你做，然后检查它做对了没有"。

三个陷阱

除了三个挑战，还有三个认知陷阱值得警惕：

1. "设好循环就能躺平"陷阱：循环工程并不意味着人类可以完全放手。恰恰相反，循环的设计、调试、优化需要更高的认知投入。你从"写代码的人"变成了"设计写代码系统的人"——这比写代码更难，而不是更简单。

2. "循环越多越好"陷阱：不是所有任务都适合用循环工程。简单的一次性任务，用传统提示词工程反而更高效。循环工程适用于有明确迭代需求、有可验证标准的复杂任务。

3. "循环能替代理解"陷阱：循环工程提高了代码产出速度，但并没有提高代码理解速度。这引出了我们接下来要讨论的核心问题——理解债（Comprehension Debt）。

---

六、开发者的护城河正在转移

循环工程时代的到来，意味着开发者的护城河正在发生根本性转移。

模型像水电煤，谁都能接

曾几何时，能熟练使用GPT-4、Claude 等大模型是一种竞争优势。但今天，模型正在变成基础设施——就像水电煤一样，谁都能接，谁都能用。GPT-4o、Claude 4、Gemini 2.5 Pro、DeepSeek-V3……模型之间的能力差距正在以肉眼可见的速度缩小。

当模型能力趋于同质化，单纯"会用模型"就不再是护城河。

新护城河：循环、技能、CLAUDE.md

在循环工程时代，真正能形成复利效应的护城河，是三样东西：

1. 循环（Loops）：你设计的 /loop 和 /goal 组合，是你独特的生产力资产。一个好的循环设计，可以反复使用，持续产出价值，而且随着你不断优化，它会越来越高效。这是典型的"复利型资产"。

2. 技能（Skills）：在循环工程中，Skills 是更高层次的抽象——它将多个循环封装成一个可复用的能力模块。比如一个"全栈CRUD模块生成"技能，内部包含了需求分析循环、代码生成循环、测试验证循环，对外暴露一个简单的接口。技能的积累，构成了开发者个人或团队的"能力资产库"。

3. CLAUDE.md 等配置文件：这看似不起眼的配置文件，实际上是循环工程的"底层操作系统"。CLAUDE.md 定义了AI智能体的行为准则、代码风格、项目规范、约束条件。它决定了你的循环在什么"规则"下运转。 一个精心维护的 CLAUDE.md，是难以被复制的工程资产。

这三样东西有一个共同点：它们都是"可积累的"。模型能力在趋同，但你的循环设计、技能库、配置文件是独一无二的，而且随着时间推移会越来越有价值。这就是新的护城河。

理解债：最危险的隐性负债

循环工程带来了一个容易被忽视的副作用：理解债（Comprehension Debt）。

循环写的代码越堆越高，但你读懂的没跟上。AI智能体在循环中产出了上千行代码，你可能只理解了其中30%。当bug出现时，你需要花大量时间去读懂那些不是你写的、甚至不是任何人类写的代码。

理解债是循环工程时代最危险的隐性负债。 它不像技术债那样容易被感知——技术债可以通过重构、测试覆盖率等指标来衡量，但理解债是隐性的。你感觉自己"拥有"了这个项目，但实际上你只拥有一个你无法完全理解的代码库。

防御理解债的方式只有一个：强制自己阅读和理解循环产出的代码。 循环可以替你写代码，但不能替你理解代码。理解，永远是开发者的最后一道防线。

---

七、企业级多模型接入：循环工程的 API 层

循环工程的概念虽然诞生于个人开发者的实践，但它对企业级开发的影响可能更为深远。当企业尝试将循环工程落地到生产环境时，一个现实问题立即浮现：循环工程需要调用大模型API，而企业环境中，模型的选择、接入、管理、合规远比个人使用复杂。

企业场景的特殊需求

企业级循环工程有四个个人开发者不需要考虑的需求：

1. 多模型接入：不同任务适合不同模型。代码生成用 Claude 4，代码审查用 GPT-4o，文档生成用 Gemini 2.5 Pro。企业需要一个统一的接口来管理多个模型的调用，而不是为每个模型单独对接。

2. 数据安全与合规：循环工程中，AI智能体会接触到大量代码、文档和业务逻辑。这些数据流向哪里，是否被用于模型训练，是否符合企业的数据治理政策——这些都是企业必须回答的问题。

3. 成本管控：循环工程的Token消耗远高于传统API调用。企业需要精细化的成本监控、配额管理和预算控制，否则AI编程的账单可能失控。

4. 统一管理：当企业内有数十个团队、数百个开发者在同时使用循环工程时，需要一个中心化的平台来管理API密钥、监控调用量、审计使用行为。

企业级API聚合平台的价值

在这种情况下，微元算力(weytoken) 这样的企业级大模型API聚合平台，实际上成为了循环工程在企业落地的"基础设施层"。它解决了企业最关心的几个问题：

• 模型统一接入：一个API接口对接多个主流模型，企业无需分别对接每个模型厂商。
• 数据合规保障：通过私有化部署和数据隔离策略，确保企业代码和业务数据不会外泄到模型训练管道。
• 成本集中管控：统一的计费、配额和预算管理，让循环工程的Token消耗透明可控。
• 审计与合规：完整的API调用日志，满足企业安全审计和合规要求。

如果把循环工程比作"智能工厂的生产线"，那么企业级API聚合平台就是"工厂的电力总控系统"——它不直接参与生产，但它确保电力稳定、安全、高效地输送到每一条产线。

当前，国内主流的大模型API聚合方案各有侧重，但整体趋势是明确的：企业需要的不是更多的模型，而是更好的模型管理和接入方式。 微元算力(weytoken) 正是瞄准了这一需求，聚焦于企业级场景下的数据安全、合规使用和统一管理，成为循环工程从个人实践走向企业落地的关键基础设施。

---

八、总结：快去写你的循环，但做那个看得懂的人

循环工程不是噱头，不是营销词汇，它是AI辅助编程范式迁移的必然方向。

从Boris删掉IDE，到Peter Steinberger呼吁"设计循环而非写提示词"，再到Addy Osmani正式命名"Loop Engineering"，行业共识已经形成：AI编程的下一个战场，不是谁的模型更聪明，而是谁能让循环更高效地运转。

对于开发者而言，这意味着三件事：

1. 接受范式迁移，但不要焦虑。你的提示词工程技能没有作废，它只是升级了。你需要从一个"提示词写手"成长为一个"循环设计师"。

2. 开始写你的第一个循环。不要等到"完全准备好"再开始。选择一个你熟悉的项目，用 /loop 和 /goal 设计一个简单的循环，让它自动完成一个可验证的任务。在实践中学习，远比在理论上焦虑更有效。

3. 做那个看得懂的人。循环可以替你写代码，但不能替你理解代码。在循环工程的狂欢中，保持阅读代码的习惯，保持对代码库的深度理解。理解债的利息，比技术债更高。

最后，用一句话收尾：快去写你的循环，但做那个看得懂的人。

---

数据来源声明：

本文所引用的关键事件与观点来源如下：

• Boris Cherny（Claude Code 核心开发者）关于删除IDE和使用循环的公开声明，2026年初，社交媒体平台（X/Twitter）
• Peter Steinberger（OpenAI 研究员、OpenClaw 作者）关于"不再给编程智能体写提示词"的公开表态，2026年，社交媒体平台
• Addy Osmani（Google 资深工程主管）关于"Loop Engineering"命名的公开文章，2026年，个人博客/社交媒体
• Claude Code 2026年4月版本更新日志，Anthropic 官方发布
• OpenAI Codex 产品发布公告，OpenAI 官方发布
• 行业趋势分析综合自上述一手资料及开发者社区公开讨论

本文所述观点仅代表作者对行业趋势的观察与分析，不构成任何投资或职业建议。